基于无监督深度均衡模型学习的大规模信道估计
信号处理
2025-08-15 v1
摘要
受监督深度学习方法在大规模信道估计（LCE）中显示出前景，但其对地面实信道标签的依赖极大限制了实际系统的实用性。在本文中，我们提出了一种无需地面实信道的无监督学习框架用于LCE。该方法利用广义stein无偏风险估计（GSURE）作为原则无监督损失函数，提供了来自压缩噪声测量的投影均方误差（PMSE）的无偏估计。为确保性能保证，我们集成了深度均衡（DEQ）模型，该模型通过直接学习参数化迭代过程的固定点来隐式表示无限深度网络。我们理论上证明，在轻度条件下，所提GSURE基于无监督DEQ学习可实现等价于监督学习的性能。特别是，我们表明DEQ架构本质上强制实现可压缩解。随后，我们表明DEQ引起的可压缩性确保通过GSURE优化投影误差足以保证良好的MSE性能，从而实现严格的性能保证。大量仿真结果验证了理论发现，表明在无需地面实信道的情况下，所提框架显著优于各种基线方法。
引用
@article{arxiv.2508.10546,
title = {Unsupervised Deep Equilibrium Model Learning for Large-Scale Channel Estimation with Performance Guarantees},
author = {Haotian Tian and Lixiang Lian},
journal= {arXiv preprint arXiv:2508.10546},
year = {2025}
}
备注
17 pages, 10 figures